KR102427690B1 - 딥러닝 기반 클래스 분류 장치 및 방법 - Google Patents

딥러닝 기반 클래스 분류 장치 및 방법 Download PDF

Info

Publication number
KR102427690B1
KR102427690B1 KR1020200097934A KR20200097934A KR102427690B1 KR 102427690 B1 KR102427690 B1 KR 102427690B1 KR 1020200097934 A KR1020200097934 A KR 1020200097934A KR 20200097934 A KR20200097934 A KR 20200097934A KR 102427690 B1 KR102427690 B1 KR 102427690B1
Authority
KR
South Korea
Prior art keywords
class classification
class
deep learning
score
target image
Prior art date
Application number
KR1020200097934A
Other languages
English (en)
Other versions
KR20220017673A (ko
Inventor
추연학
정재호
양종현
Original Assignee
라온피플 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 라온피플 주식회사 filed Critical 라온피플 주식회사
Priority to KR1020200097934A priority Critical patent/KR102427690B1/ko
Publication of KR20220017673A publication Critical patent/KR20220017673A/ko
Application granted granted Critical
Publication of KR102427690B1 publication Critical patent/KR102427690B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/6267—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Image Analysis (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

딥러닝 기반 클래스 분류 장치 및 클래스 분류 방법을 제시하며, 일 측면에 따르면, 딥러닝을 수행하기 위한 프로그램이 저장되는 메모리, 및 상기 프로그램을 실행함으로써 복수의 이미지들에 대한 딥러닝을 수행하는 제어부를 포함하며, 상기 제어부는, 복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시키되 상기 복수의 학습이미지의 특징(feature) 분포를 저장하며, 학습된 딥러닝 모델에 기초하여 클래스 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 산출하는 클래스 분류 장치일 수 있다.

Description

딥러닝 기반 클래스 분류 장치 및 방법{APPARATUS AND METHOD FOR CLASSIFICATION BASED ON DEEP LEARNING}
본 명세서에서 개시되는 실시예들은 딥러닝 기반 클래스 분류 장치 및 방법에 관한 것으로, 보다 상세하게는 딥러닝을 이용하여 산출된 스코어의 평가점수를 연산함으로써 보다 정확하게 클래스를 분류하도록 하는 클래스 분류 장치 및 방법에 관한 것이다.
컴퓨팅 기술의 발전에 따라 머신러닝의 적용이 증가하고 있으며, 최근 머신러닝 중에서 딥러닝 기술이 비약적으로 발전하고 있다.
관련하여 딥러닝 분류기(classifier)는 특정 이미지가 어떠한 클래스에 속하게 될지에 대해 예측하여 스코어를 제공한다.
이때 예를 들어, 학습이 전혀 되지 않은 클래스의 이미지나 아예 다른 데이터셋에 속한 이미지가 들어오더라도, 학습된 클래스 중 하나에 대해 큰 스코어로 예측되는 경우가 많았다.
따라서 딥러닝 분류기에 따라 분류할 때 딥러닝 분류기가 예측한 결과값을 신뢰하기 어려운 경우가 많으며, 이러한 경우 해당 분류 결과를 의심하도록 사용자에게 알릴 필요가 있다.
한편 딥러닝 기술의 발전에 따라 딥러닝 기술이 다양한 산업 현장에서 응용되고 있다. 일 예로, 제조업 분야에서 딥러닝 기술은 혁신적으로 제조 현장을 변화시켜 가고 있다.
기존 룰(Rule) 기반의 테스트 방식은 생산라인에서 발생하는 비정형 불량을 검출하지 못했지만, 인공신경망은 비정형 불량을 사람과 같이 추출하는 것이 가능하다. 기존에는 비정형 불량에 대해 제품의 생산라인에서 사람이 직접 불량을 판단하였으나, 이제는 머신러닝을 이용한 머신비전을 이용하여 제품의 불량여부를 판단하는 사례가 늘고 있다.
이를 위해 머신러닝을 학습시킬 필요가 있는데, 통상 생산과정에서 제품의 불량발생률이 매우 낮기 때문에 머신러닝을 위한 학습데이터를 확보하기가 어려우며 그에 따라 학습에 많은 시간과 비용이 투입된다는 문제점이 있다.
따라서 양불 판정의 머신비전에서는 학습되지 않은 불량이 들어올 경우, 이를 작업자에게 알려줄 필요가 있다.
관련하여 선행기술 문헌인 대한민국 등록특허 제10-2016-0096460 호에는 딥러닝 기반 인식 시스템에 관한 것으로서 상기 시스템은, 입력 영상에 대해 제1 분류 기준에 따라 학습을 수행하여 제1 분류 결과를 출력하는 제1 분류기, 및 제1 분류 결과에 대하여 제1 분류 기준과 상이한 제2 분류 기준에 따라 학습을 수행하여 제2 분류 결과를 출력하는 제2 분류기를 포함하며, 제1 분류 기준은 제2 분류 기준의 선결적 관계가 되는 기준에 있는 것에 대해 기재하고 있다. 즉, 선행기술 문헌에서는 분류기를 이용하여 오브젝트를 인식하는 기술을 제안하나, 분류기의 결과를 신뢰할 수 있는지에 대해 알려주지 않는다.
따라서 상술된 문제점을 해결하기 위한 기술이 필요하게 되었다.
한편, 전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.
본 명세서에서 개시되는 실시예들은, 딥러닝 기반 클래스 분류 장치 및 클래스 분류 방법을 제시하는 것을 목적으로 한다.
또한, 본 명세서에서 개시되는 실시예들은, 딥러닝 기반 분류 결과에 관한 평가점수를 제공하는 클래스 분류 장치 및 클래스 분류 방법을 제시하는 것을 목적으로 한다.
또한, 본 명세서에서 개시되는 실시예들은, 언노운 데이터(unknown data)를 탐지할 수 있는 딥러닝 기반 클래스 분류 장치 및 방법을 제시하는 것을 목적으로 한다.
또한, 본 명세서에서 개시되는 실시예들은, 머신비전에도 적용할 수 있는 딥러닝 기반 클래스 분류 장치 및 클래스 분류 방법을 제시하는 것을 목적으로 한다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 명세서에 기재된 일 실시예에 따르면, 클래스 분류 장치로서, 딥러닝을 수행하기 위한 프로그램이 저장되는 메모리, 및 상기 프로그램을 실행함으로써 복수의 이미지들에 대한 딥러닝을 수행하는 제어부를 포함하며, 상기 제어부는, 복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시키되 상기 복수의 학습이미지의 특징(feature) 분포를 저장하며, 학습된 딥러닝 모델에 기초하여 클래스 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 산출할 수 있다.
또한, 상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 명세서에 기재된 일 실시예에 따르면, 클래스 분류 장치가 딥러닝 기반 클래스를 분류하는 방법으로서, 복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시키되, 상기 복수의 학습이미지의 특징(feature) 분포를 저장하는 단계, 및 학습된 딥러닝 모델에 기초하여 클래스 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되, 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 산출하는 단계를 포함할 수 있다.
또한, 상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 명세서에 기재된 일 실시예에 따르면, 클래스 분류 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체로서, 상기 클래스 분류 방법은 복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시키되, 상기 복수의 학습이미지의 특징(feature) 분포를 저장하는 단계, 및 학습된 딥러닝 모델에 기초하여 클래스 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되, 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 산출하는 단계를 포함할 수 있다.
또한, 상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 명세서에 기재된 일 실시예에 따르면, 클래스 분류 장치에 의해 수행되며 클래스 분류 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램으로서, 상기 클래스 분류 방법은 복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시키되, 상기 복수의 학습이미지의 특징(feature) 분포를 저장하는 단계, 및 학습된 딥러닝 모델에 기초하여 클래스 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되, 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 산출하는 단계를 포함할 수 있다.
전술한 과제 해결 수단 중 하나에 의하면, 딥러닝 기반 클래스 분류 장치 및 클래스 분류 방법을 제시할 수 있다.
또한, 전술한 과제 해결 수단 중 하나에 의하면, 딥러닝 기반 분류 결과에 관한 평가점수를 제공하는 클래스 분류 장치 및 클래스 분류 방법을 제시할 수 있다. 이때 추가적인 딥러닝 모델을 구현할 필요 없이 평가점수를 제공할 수 있으므로, 추가적인 리소스의 투입 없이 정확한 분류 결과를 획득할 수 있다.
또한, 전술한 과제 해결 수단 중 하나에 의하면, 언노운 데이터(unknown data)를 탐지할 수 있는 딥러닝 기반 클래스 분류 장치 및 방법을 제시할 수 있다. 따라서 언노운 데이터를 탐지하기 위해 언노운 데이터셋을 구할 필요없이 학습을 위해 준비해둔 데이터셋만으로도 분류의 신뢰성을 높일 수 있다. 그에 따라 평가점수가 낮은 데이터를 찾아내기 위해 새롭게 모델을 학습시킬 필요가 없고 그에 따라 추가적인 비용이 발생하지 않는다.
또한, 전술한 과제 해결 수단 중 하나에 의하면, 머신비전에도 적용할 수 있는 딥러닝 기반 클래스 분류 장치 및 클래스 분류 방법을 제시할 수 있다.
개시되는 실시예들에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 개시되는 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 명세서에 기재된 일 실시예에 따른 클래스 분류 장치의 구성을 나타내는 블록도이다.
도 2 및 도 3은 본 명세서에 기재된 일 실시예에 따른 클래스 분류 방법을 설명하기 위한 순서도이다.
도 4 내지 도 6은 본 명세서에 기재된 일실시예에 따른 클래스 분류 방법을 설명하기 위한 예시도이다.
아래에서는 첨부한 도면을 참조하여 다양한 실시예들을 상세히 설명한다. 아래에서 설명되는 실시예들은 여러 가지 상이한 형태로 변형되어 실시될 수도 있다. 실시예들의 특징을 보다 명확히 설명하기 위하여, 이하의 실시예들이 속하는 기술분야에서 통상의 지식을 가진 자에게 널리 알려져 있는 사항들에 관해서 자세한 설명은 생략하였다. 그리고, 도면에서 실시예들의 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 구성이 다른 구성과 "연결"되어 있다고 할 때, 이는 '직접적으로 연결'되어 있는 경우뿐 아니라, '그 중간에 다른 구성을 사이에 두고 연결'되어 있는 경우도 포함한다. 또한, 어떤 구성이 어떤 구성을 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한, 그 외 다른 구성을 제외하는 것이 아니라 다른 구성들을 더 포함할 수도 있음을 의미한다.
이하 첨부된 도면을 참고하여 실시예들을 상세히 설명하기로 한다.
도 1은 일 실시예에 따른 클래스 분류 장치의 구성을 도시한 도면이다. 일 실시예에 따르면, 클래스 분류 장치(100)에는 딥러닝 모델을 수행하기 위한 프로그램이 설치 및 구동될 수 있고, 클래스 분류 장치(100)는 구동된 컴퓨터 프로그램의 제어에 따라 본 명세서에 기재된 실시예에 따른 클래스 분류 방법을 수행할 수 있다.
이와 같은 클래스 분류 장치(100)는 관리자와 인터랙션할 수 있는 애플리케이션이 설치된 전자단말기로 구현되거나 서버로 구현되거나 또는 서버-클라이언트 시스템으로 구현될 수 있으며, 서버-클라이언트 시스템으로 구현되는 경우 관리자와의 인터랙션을 위한 온라인 서비스용 애플리케이션이 설치된 전자단말기를 포함할 수 있다.
이때 전자단말기는 네트워크를 통해 원격지의 서버에 접속하거나, 타 디바이스 및 서버와 연결 가능한 컴퓨터나 휴대용 단말기, 텔레비전, 웨어러블 디바이스(Wearable Device) 등으로 구현될 수 있다. 여기서, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop)등을 포함하고, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), GSM(Global System for Mobile communications), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet), 스마트폰(Smart Phone), 모바일 WiMAX(Mobile Worldwide Interoperability for Microwave Access) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 텔레비전은 IPTV(Internet Protocol Television), 인터넷 TV(Internet Television), 지상파 TV, 케이블 TV 등을 포함할 수 있다. 나아가 웨어러블 디바이스는 예를 들어, 시계, 안경, 액세서리, 의복, 신발 등 인체에 직접 착용 가능한 타입의 정보처리장치로서, 직접 또는 다른 정보처리장치를 통해 네트워크를 경유하여 원격지의 서버에 접속하거나 타 디바이스와 연결될 수 있다.
그리고 서버는 클래스 분류 장치(100)의 관리자와의 인터랙션을 위한 애플리케이션이나 웹브라우저가 설치된 전자단말기와 네트워크를 통해 통신이 가능한 컴퓨터로 구현되거나 클라우드 컴퓨팅 서버로 구현될 수 있다. 또한, 서버는 데이터를 저장할 수 있는 저장장치를 포함하거나 제 3의 서버를 통해 데이터를 저장할 수 있다.
상술된 바와 같이 클래스 분류 장치(100)는 전자단말기, 서버 또는 서버-클라이언트 시스템 중 어느 하나의 형태로 구현될 수 있으며, 서버로 구현될 경우, 클래스 분류 장치(100)를 구성하는 구성부는 물리적으로 분리된 복수의 서버에서 수행되거나 하나의 서버에서 수행될 수 있다.
실시예에 따른 클래스 분류 장치(100)는 통신부(110), 입출력부(120), 메모리(130) 및 제어부(140) 를 포함할 수 있다.
통신부(110)는 클래스 분류 장치(100)가 다른 디바이스 또는 네트워크와 유무선 통신을 수행하도록 할 수 있다. 가령 클래스 분류 장치(100)가 다른 저장장치들 또는 관리자 디바이스 등과 통신하기 위한 기능을 제공할 수 있다.
반면 입출력부(120)는 입력을 수신하기 위한 입력부와 작업의 수행 결과 또는 클래스 분류 장치(100)의 상태 등의 정보를 표시하기 위한 출력부를 포함할 수 있다. 예를 들어 입출력부(120)는 유저의 입력을 수신하는 조작 패널(operation panel) 및 화면을 표시하는 디스플레이 패널(display panel) 등을 포함할 수 있다.
구체적으로 입력부는 키보드, 물리 버튼, 터치 스크린, 카메라 또는 마이크 등과 같이 다양한 형태의 입력을 수신할 수 있는 장치들을 포함할 수 있다. 또한, 출력부는 디스플레이 패널 또는 스피커 등을 포함할 수 있다. 다만, 이에 한정되지 않고 입출력부(120)는 다양한 입출력을 지원하는 구성을 포함할 수 있다.
실시예에 따르면, 입력부는 복수 개의 이미지를 학습의 대상으로 입력 받을 수 있으며, 또는 분류를 위한 복수 개의 이미지를 입력으로서 수신할 수 있다. 또한, 출력부는 복수 개의 이미지를 분류한 결과를 출력하거나 분류 결과에 대한 평가점수 등을 출력하거나 신뢰할 수 없는 결과임을 통지할 수 있다.
메모리(130)에는 파일, 애플리케이션 및 프로그램 등과 같은 다양한 종류의 데이터가 설치 및 저장될 수 있다. 제어부(140)는 메모리(130)에 저장된 데이터에 접근하여 이를 이용하거나, 또는 새로운 데이터를 메모리(130)에 저장할 수도 있다. 또한, 제어부(140)는 메모리(130)에 설치된 프로그램을 실행할 수도 있다. 예를 들어, 메모리(130)는 딥러닝 모델이 구현된 프로그램이 설치될 수 있으며, 상술한 바와 같이 이미지를 저장할 수도 있다.
반면 제어부(140)는 클래스 분류 장치(100)의 전체적인 동작을 제어하며, CPU, GPU 등과 같은 프로세서를 포함할 수 있다. 제어부(140)는 딥러닝 기반 분류를 위한 동작을 수행하도록 클래스 분류 장치(100)에 포함된 다른 구성들을 제어할 수 있다. 예를 들어, 제어부(140)는 메모리(130)에 저장된 프로그램을 실행시키거나, 메모리(130)에 저장된 파일을 읽어오거나, 새로운 파일을 메모리(130)에 저장할 수도 있다.
실시예에 따르면, 제어부(140)는 복수의 이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시킬 수 있다.
이때의 딥러닝 모델은 예를 들어, CCN(Convolutional neural network), RNN (Recurrent Neural Network) 등이 될 수 있으며 상술된 예에 제한되지 않는다.
제어부(140)는 학습된 딥러닝 모델을 이용하여, 대상이미지를 입력받았을 때 대상이미지의 클래스를 추론하여 대상이미지가 속하는 클래스 관련 스코어를 산출할 수 있다.
그리고 제어부(140)는 특징 분포에 기초하여 스코어에 관한 평가점수를 산출할 수 있다.
이를 위해 제어부(140)는 학습된 딥러닝 모델의 가중치(weight)를 메모리(130)에 저장할 수 있는데, 이때 학습에 이용된 학습이미지의 특징(feature) 분포를 메모리(130)에 저장할 수 있다.
일 실시예에 따르면, 학습이미지의 특징은 가우시안(Gaussian) 분포를 형성하며, 가우시안 분포의 평균 및 공분산(covariance)을 저장할 수 있다.
예를 들어, 제어부(140)는 학습이미지의 특징 분포로서 평균 벡터 및 공분산 벡터를 도출하고 저장할 수 있다. 이때, 가우시안 분포는 다음의 수식으로 구현될 수 있다.
[수식]
Figure 112020082250621-pat00001
이때, 각 변수는 다음과 같을 수 있다 (D는 차원).
Figure 112020082250621-pat00002
평균 및 공분산을 저장함으로써 제어부(140)는 추후 대상이미지의 평가점수를 산출할 때 특징 분포를 이용할 수 있다.
한편 학습이미지를 입력받으면 딥러닝 모델은 최종 스코어를 산출하기 이전에 학습이미지별로 계층(layer)에서의 특징을 산출할 수 있다. 예를 들어 로짓(logit) 이전, 즉 마지막 특징을 산출할 수 있으며, 복수의 학습이미지의 특징으로 특징 분포를 형성할 수 있다.
예를 들어, 소프트맥스(softmax)에 입력되는 값이 로짓이며, 로짓은 클래스의 개수만큼의 차원을 가질 수 있다. 예를 들어, 마지막 특징은 통상 256, 512, 384 등의 차원값이 크다.
즉 예를 들어, CNN으로 구현된 딥러닝 모델에서, 마지막 특징 계층(feature layer)에서의 값이 1x1 콘볼루셔널 또는 선형 계층(Fully connected layer)에 입력되면 로짓이 출력되고, 소프트맥스 계층에 입력되어 스코어를 산출하게 된다. 이 과정에서 마지막 계층에서의 값을 특징으로 분포를 형성할 수 있다.
제어부(140)는 학습된 네트워크에 대해 학습이미지들 모두에 대해 추론하면서 특징 벡터(feature vector)를 얻은 후, 상기 특징 벡터의 평균값과 공분산을 획득할 수 있다.
한편 제어부(140)는 대상이미지를 수신하면 대상이미지의 특징을 추출할 수 있으며, 상기 특징이, 학습이미지에 의해 형성된 분포로부터 얼마나 떨어져 있는지를 거리(distance)로서 측정하게 되며 상기 거리를 평가점수로 설정할 수 있다.
예를 들어 대상이미지의 특징을 도출할 때 로짓 이전, 즉 마지막 특징을 산출할 수 있다.
일 실시예에 따르면, 학습이미지들로 형성한 특징 분포로부터 대상이미지 특징의 거리를 산출할 때 마하라노비스 거리(Mahalanobis distance)를 이용하여 산출할 수 있다.
예를 들어, 대상이미지의 특징 벡터와 평균 벡터 간의 차이와, 및 공분산 행렬을 이용하여 마하라노비스 거리를 산출할 수 있다.
그리고 이와 같이 산출된 거리는 평가점수로 설정될 수 있다.
아울러 제어부(140)는 산출한 평가점수가 임계치를 초과하는지 여부를 판단하여 해당 평가점수에 대응되는 대상이미지에 관한 클래스를 신뢰할 수 있는지 여부를 판단할 수 있다.
예를 들어, 제어부(140)는 특징 분포에서 학습이미지들의 거리를 모두 연산하여 예를 들어, 상위 1%의 학습이미지가 이상치(outlier)가 되도록 임계치를 설정할 수 있다.
예를 들어, 마하라노비스 거리로 평가점수를 산출하였을 때 해당 거리가 클수록 멀리 떨어져있는 학습이미지이므로 이상치일 확률이 높다. 이에 거리값을 내림차순으로 정렬하였을 때 상위 1%에 위치한 값을 이상치로서 설정할 수 있다. 따라서 예를 들어, 숫자 1부터 100까지 1의 간격으로 [1,2,3,..., 98, 99, 100]와 같이 100개의 숫자가 있으면, 99가 임계치가 되며 99 이상의 거리값이 도출되는 학습이미지 또는 대상이미지를 이상치로 판단할 수 있다.
상술한 바와 같이 제어부(140)는 학습된 딥러닝 모델을 이용하여 대상이미지의 스코어를 산출하면서 대상이미지의 스코어에 관한 평가점수가 소정의 임계치보다 크다고 판단되면, 해당 클래스를 신뢰할 수 없다고 판단할 수 있다.
또한 제어부(140)는 신뢰할 수 없는 클래스로 분류된 대상이미지를 입력으로 하여 딥러닝 모델을 재학습시키거나, 대상이미지가 학습되지 않은 클래스의 이미지임을 관리자에게 알람으로서 통지할 수 있다.
따라서 예를 들어, 2개의 클래스('개' 또는 '고양이' 클래스)로 분류하고자 할 때 대상이미지로서 사과가 존재하는 이미지를 입력으로 받으면, 종래의 분류기는 개 또는 고양이 중 하나의 클래스로 분류하므로 예를 들어, (0.9, 0.1)의 스코어로서 '개' 클래스에 속한다고 출력하게 된다. 즉, 사과 이미지가 개로 분류되는 오류를 출력하게 된다.
이때, 본 명세서에 개시된 일 실시예에 따른 클래스 분류 장치(100)는 0.9의 스코어를 갖는 대상이미지에 대해 평가점수를 산출하고 산출된 평가점수가 임계치를 초과한다고 판단하면, 해당 대상이미지는 학습되지 않은 클래스의 이미지로 판단하고 해당 대상이미지를 다시 학습할 수 있다. 학습되지 않은 클래스의 대상이미지를 획득하게 되었을 때 분류기는 클래스 중 하나에 대해 큰 값을 갖는 경우가 발생될 수 있는데 본 명세서에 기재된 일실시예에 따른 클래스 분류 장치(100)는 학습되지 않은 클래스의 이미지임을 판단할 수 있고 그에 따른 조치를 취하도록 관리자에게 통지할 수 있다.
한편 제어부(140)는 학습시켜야 할 이미지가 다수 존재하는 경우, 딥러닝 모델을 통해 출력된 스코어에 대한 평가점수를 각 이미지 별로 산출하고, 평가점수가 높은 순서로, 또는 임계치를 초과하는 평가점수 중 높은 순서로 해당 이미지들을 정렬한 이후 정렬된 이미지의 순서로 딥러닝 모델을 학습시킬 수 있다. 이미지의 학습에 시간과 리소스가 투입되는 점을 고려하여 학습 대상의 우선순위를 설정할 수 있다.
상술된 바에 따른 클래스 분류 장치(100)는 머신비전 시스템(미도시)에 구현될 수 있다.
여기서 머신비전이란, 물체를 검사하거나 측정하기 위해, 사람이 육안으로 판단하던 기존의 방식을 대신하여, 카메라(시각 인식), CPU, SW 를 통해 산업을 자동화시켜주는 것을 의미한다.
예를 들어, 클래스 분류 장치(100)는 머신비전 시스템(미도시)에 포함되거나, 머신비전 시스템(미도시)을 포함하거나 머신비전 시스템(미도시)과 통신하면서, 스마트 공장에서 제품의 양불 판정을 수행할 수 있다.
이하에서는 클래스 분류 장치(100)가 머신비전 시스템(미도시)에 포함된 것을 일례로 설명한다.
즉 머신비전 시스템(미도시)은 본 명세서에 개시된 일 실시예에 따른 클래스 분류 장치(100), 머신비전카메라 및 관리자단말을 포함할 수 있다.
따라서 머신비전카메라를 통해 제품을 촬영할 수 있고 클래스 분류 장치(100)는 촬영된 이미지를 대상이미지로서 분석하여 제품이 정상인지 불량인지를 판별한다. 즉, 클래스로서 '정상' 및 '불량'의 2개의 클래스로 구성되고, 대상이미지를 획득하면 대상이미지를 분석하여 클래스를 결정함으로써 제품의 양불을 판정할 수 있다. 그리고 관리자단말을 통해 불량의 존재를 알리거나, 학습되지 않은 종류의 불량 또는 정상 이미지가 수신되었음을 관리자단말로 통지할 수 있다.
이를 위해 머신비전 시스템(미도시)은 불량으로 판단된 제품의 이미지를 학습이미지로서 입력받고 그에 따라 스코어를 출력하도록 딥러닝 모델을 학습시킬 수 있다.
그리고 머신비전 시스템(미도시)은 딥러닝 모델을 학습시키면서 특징 분포를 형성하고, 상기 특징 분포의 평균값 및 공분산을 저장할 수 있다.
그리고 학습된 딥러닝 모델을 이용하여 대상이미지의 양불을 판정하고자 할 때 머신비전 시스템(미도시)은 학습된 딥러닝 모델을 통해 대상이미지의 클래스 별 스코어를 산출할 수 있다. 즉, 머신비전 시스템(미도시)은 '정상'클래스 및 '불량'클래스에 대상이미지가 속할 스코어를 산출할 수 있다.
아울러 머신비전 시스템(미도시)은 스코어에 대한 평가점수를 산출할 수 있다.
이때 산출된 평가점수가 임계치를 초과하면 대상이미지가 학습이미지로서 제공되지 않았거나 제대로 학습되지 않았다고 판단하고 관리자에게 알람을 제공할 수 있다. 그리고 알람이 제공된 대상이미지를 학습이미지로서 딥러닝 모델에 입력하여 해당 대상이미지 또한 학습될 수 있도록 한다.
반면 산출된 평가점수가 임계치 이내이면, 평가점수에 대응되는 스코어의 클래스로 대상이미지의 정상 또는 불량을 판단할 수 있다.
이를 통해 공장 라인에서 예측하지 못한 학습데이터를 확보하기 위해 라인이 돌아가는 것을 중지시키는 등의 불필요한 동작을 할 필요가 없고, 그에 따라 실시간으로 라인이 돌아갈 수 있는 스마트 공장을 구현할 수 있다.
한편 도 2 내지 도 3은 일 실시예에 따른 클래스 분류 방법을 설명하기 위한 순서도이다. 도 2 내지 도 3에 도시된 클래스 분류 방법은 도 1을 통해 설명된 클래스 분류 장치(100)에서 시계열적으로 처리하는 단계들을 포함한다. 따라서 이하에서 생략된 내용이라고 하더라도 도 1에 도시된 클래스 분류 장치(100)에 관하여 이상에서 기술한 내용은 도 2 내지 도 3에 도시된 실시예에 따른 클래스 분류 방법에도 이용될 수 있다.
관련하여 도 2 내지 도 3은 도 4 내지 도 6을 참조하여 후술되며, 도 4 내지 도 6은 본 명세서에 개시된 일 실시예에 따른 클래스 분류 방법을 설명하기 위한 예시도이다.
도 2를 참조하면, 클래스 분류 장치(100)는 복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시킬 수 있다(S210).
이때 클래스 분류 장치(100)는 복수의 학습이미지의 특징 분포를 저장할 수 있다.
예를 들어 클래스 분류 장치(100)는 학습이미지의 특징 분포로서 가우시안 분포를 형성하고 평균 및 공분산을 저장할 수 있다.
그리고 클래스 분류 장치(100)는 학습된 딥러닝 모델에 기초하여 클래스 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되, 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 출력할 수 있다 (S220).
예를 들어 대상이미지를 입력받아 대상이미지의 특징을 추출하였을 때 해당 특징이, 학습이미지에 의해 형성된 분포로부터 얼마나 떨어져 있는지를 거리로서 측정하게 되며 클래스 분류 장치(100)는 상기 거리를 평가점수로 설정할 수 있다.
이때 예를 들어 클래스 분류 장치(100)는 특징 분포로부터 대상이미지 특징의 거리를 산출할 때 마하라노비스 거리를 이용하여 산출할 수 있다.
그리고 클래스 분류 장치(100)는 평가점수가 임계치 이하라 판단되면(S230), 스코어에 따라 분류된 클래스에 관한 정보를 제공할 수 있다 (S240).
관련하여 클래스 분류 장치(100)는 특징 분포를 이루는 학습이미지들의 거리를 모두 연산하고 정렬하여 거리를 내림차순으로 정렬하였을 때 소정 개수 이상을 거리를 포함하는 이상치를 식별해내고 해당 이상치를 임계치로 설정할 수 있다.
반면 클래스 분류 장치(100)는 평가점수가 임계치 초과라 판단되면(S230), 해당 대상이미지의 클래스 결정이 어려움을 관리자 등에게 통지할 수 있다 (S250). 그리고 해당 대상이미지를, 딥러닝 모델 학습을 위해 이용할 수 있다.
상술된 클래스 분류 방법은 머신비전 시스템에서 클래스를 분류하는 방법에도 적용할 수 있다.
즉 도 3를 참조하면, 머신비전 시스템(미도시)은 복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시킬 수 있다(S310). 이때 머신비전 시스템(미도시)는 복수의 학습이미지의 특징 분포를 저장할 수 있다.
그리고 머신비전 시스템(미도시)는 학습된 딥러닝 모델에 기초하여 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되, 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 출력할 수 있다 (S320).
그리고 머신비전 시스템(미도시)는 평가점수가 임계치 이하라 판단되면(S330), 스코어에 따라 분류된 클래스에 관한 정보를 제공할 수 있다 (S340).
반면 머신비전 시스템(미도시)는 평가점수가 임계치 초과라 판단되면(S330), 해당 대상이미지의 클래스 결정이 어려움을 관리자 등에게 통지할 수 있다 (S350). 그리고 해당 대상이미지를, 딥러닝 모델 학습을 위해 이용할 수 있다.
관련하여 도 4 내지 도 6은 본 명세서에 개시된 클래스 분류 방법을 설명하기 위한 도면으로서 예를 들어 머신비전 시스템에 의해 양불판정이 필요한 제품 이미지를 도시한 것이다.
즉, 도 4는 정상 클래스로 분류된 정상이미지를 도시한 것이며, 도 5는 3개의 불량 클래스로 분류된 불량이미지를 도시한 것이다.
즉 도 4는 정상이미지(400)를 도시한 것이며, 정상이미지로서 원 안에 제1사각형이 도시되어 있으며, 해당 제1사각형의 모서리마다 또 다른 제2사각형이 도시되어 있다. 반면 도 5는 불량(511, 521, 531)을 포함하는 불량이미지(510, 520, 530)를 도시한 것으로, 불량(511, 521, 531)은 제1사각형 내부에 위치하되 제2사각형 내부에는 위치하고 있지 않다. 참고로 제1사각형 및 제2사각형은 사각형을 구분하여 지칭하기 위해 사용된 것일 뿐 특정 사각형을 지칭하는 것은 아니다.
머신비전 시스템(미도시)은 도 4 및 도 5에 도시된 정상이미지(400) 및 3개의 불량이미지(510, 520, 530)를 입력으로 하여 정상 또는 불량의 클래스로 분류하도록 딥러닝 모델을 학습시킬 수 있다. 참고로 딥러닝 모델의 학습에 4개보다 더 많은 학습이미지가 필요하나 설명의 편의상 본 명세서에서는 4개의 학습이미지를 예시로 든다.
학습이미지(400, 510, 520, 530)를 입력으로하여 양불을 출력하도록 학습된 딥러닝 모델은 대상이미지를 입력받을 수 있다.
즉 도 6에서 도시된 바와 같이 머신비전 시스템(미도시)은 대상이미지로서 2 개의 이미지(610, 620)를 입력받을 수 있다.
도 6에서는 머신비전 시스템이 구현된 스마트공장에서 불량으로 판단되는 이미지를 도시하며, 예를 들어 대상이미지(610)는 제1사각형 내부에 불량(611)를 가지며 대상이미지(620)는 제2사각형 내부에 불량(621)을 가질 수 있다.
사람이 육안으로 판단한다면 대상이미지(610, 620) 모두 불량이라 판단할 수 있으나, 제2사각형의 외부이면서 제1사각형 내부에 스크래치 등의 흠집이 있는 불량을 갖는 이미지를 불량으로 판단하도록 학습한 딥러닝 모델에서는 대상이미지(620) 또한 불량임을 인식하기 어려울 수 있다.
그 결과 머신비전 시스템은 대상이미지(610)에 대한 양불판정에 따른 스코어를 (0.1, 0.9)로 출력하고 대상이미지(620)에 대한 양불판정에 따른 스코어를 (0.9, 0.1)로 출력할 수 있다. 즉, 머신비전 시스템은 대상이미지(610)에 대해 정상 클래스에 관한 스코어를 0.1로 출력하고, 불량 클래스에 관한 스코어를 0.9로 출력할 수 있다. 그리고 머신비전 시스템은 대상이미지(620)에 대해 정상 클래스에 관한 스코어를 0.9로 출력하고, 불량 클래스에 관한 스코어를 0.1로 출력할 수 있다.
그리고 머신비전 시스템은 스코어에 대한 평가점수를 산출할 수 있고, 대상이미지(610)에 관한 평가점수가 0.5인 반면 대상이미지(620)에 대한 평가점수가 2가 나왔고 임계치가 1이라면 대상이미지(610)에 관한 스코어는 신뢰할만하나 대상이미지(620)에 관한 스코어는 신뢰할 수 없다고 판단할 수 있다.
따라서 머신비전 시스템은 스코어로서 불량 클래스에 대해 0.9를 갖는 대상이미지(610)를 불량이라고 판정할 수 있으나, 정상 클래스에 대해 0.9를 갖는 대상이미지(620)에 대해서는 판정을 보류하고 이를 관리자에게 통지할 수 있다.
이상에서 설명한 실시예들에 따를 경우, 종래의 딥러닝 분류기는 스코어를 제공할 때 해당 스코어가 얼마나 신뢰할 만한지를 알려주지 않는 문제점을 해결할 수 있다. 그에 따라 보다 정확하게 대상이 어느 클래스에 속하는지를 분류하여 정확한 결과를 제공할 수 있다.
아울러 학습되지 않은 다른 종류의 불량 이미지가 들어오더라도 클래스 분류 장치(100)는 해당 이미지의 존재를 감지할 수 있다.
상기와 같이 설명된 클래스 분류 방법은 컴퓨터에 의해 실행 가능한 명령어 및 데이터를 저장하는, 컴퓨터로 판독 가능한 매체의 형태로도 구현될 수 있다. 이때, 명령어 및 데이터는 프로그램 코드의 형태로 저장될 수 있으며, 프로세서에 의해 실행되었을 때, 소정의 프로그램 모듈을 생성하여 소정의 동작을 수행할 수 있다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터로 판독 가능한 매체는 컴퓨터 기록 매체일 수 있는데, 컴퓨터 기록 매체는 컴퓨터 판독 가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함할 수 있다.예를 들어, 컴퓨터 기록 매체는 HDD 및 SSD 등과 같은 마그네틱 저장 매체, CD, DVD 및 블루레이 디스크 등과 같은 광학적 기록 매체, 또는 네트워크를 통해 접근 가능한 서버에 포함되는 메모리일 수 있다.
상기와 같이 설명된 클래스 분류 방법은 컴퓨터에 의해 실행 가능한 명령어를 포함하는 컴퓨터 프로그램(또는 컴퓨터 프로그램 제품)으로 구현될 수도 있다. 컴퓨터 프로그램은 프로세서에 의해 처리되는 프로그래밍 가능한 기계 명령어를 포함하고, 고레벨 프로그래밍 언어(High-level Programming Language), 객체 지향 프로그래밍 언어(Object-oriented Programming Language), 어셈블리 언어 또는 기계 언어 등으로 구현될 수 있다. 또한 컴퓨터 프로그램은 유형의 컴퓨터 판독가능 기록매체(예를 들어, 메모리, 하드디스크, 자기/광학 매체 또는 SSD(Solid-State Drive) 등)에 기록될 수 있다.
상기와 같이 설명된 클래스 분류 방법은 상술한 바와 같은 컴퓨터 프로그램이 컴퓨팅 장치에 의해 실행됨으로써 구현될 수 있다. 컴퓨팅 장치는 프로세서와, 메모리와, 저장 장치와, 메모리 및 고속 확장포트에 접속하고 있는 고속 인터페이스와, 저속 버스와 저장 장치에 접속하고 있는 저속 인터페이스 중 적어도 일부를 포함할 수 있다. 이러한 성분들 각각은 다양한 버스를 이용하여 서로 접속되어 있으며, 공통 머더보드에 탑재되거나 다른 적절한 방식으로 장착될 수 있다.
여기서 프로세서는 컴퓨팅 장치 내에서 명령어를 처리할 수 있는데, 이런 명령어로는, 예컨대 고속 인터페이스에 접속된 디스플레이처럼 외부 입력, 출력 장치상에 GUI(Graphic User Interface)를 제공하기 위한 그래픽 정보를 표시하기 위해 메모리나 저장 장치에 저장된 명령어를 들 수 있다. 다른 실시예로서, 다수의 프로세서 및(또는) 다수의 버스가 적절히 다수의 메모리 및 메모리 형태와 함께 이용될 수 있다. 또한 프로세서는 독립적인 다수의 아날로그 및(또는) 디지털 프로세서를 포함하는 칩들이 이루는 칩셋으로 구현될 수 있다.
또한 메모리는 컴퓨팅 장치 내에서 정보를 저장한다. 일례로, 메모리는 휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 다른 예로, 메모리는 비휘발성 메모리 유닛 또는 그들의 집합으로 구성될 수 있다. 또한 메모리는 예컨대, 자기 혹은 광 디스크와 같이 다른 형태의 컴퓨터 판독 가능한 매체일 수도 있다.
그리고 저장장치는 컴퓨팅 장치에게 대용량의 저장공간을 제공할 수 있다. 저장 장치는 컴퓨터 판독 가능한 매체이거나 이런 매체를 포함하는 구성일 수 있으며, 예를 들어 SAN(Storage Area Network) 내의 장치들이나 다른 구성도 포함할 수 있고, 플로피 디스크 장치, 하드 디스크 장치, 광 디스크 장치, 혹은 테이프 장치, 플래시 메모리, 그와 유사한 다른 반도체 메모리 장치 혹은 장치 어레이일 수 있다.
이상의 실시 예들에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field programmable gate array) 또는 ASIC 와 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램특허 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다.
구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로부터 분리될 수 있다.
뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU 들을 재생시키도록 구현될 수도 있다. 상술된 실시예들은 예시를 위한 것이며, 상술된 실시예들이 속하는 기술분야의 통상의 지식을 가진 자는 상술된 실시예들이 갖는 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 상술된 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 명세서를 통해 보호 받고자 하는 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태를 포함하는 것으로 해석되어야 한다.
100: 클래스 분류 장치
110: 통신부 120: 입출력부
130: 메모리 140: 제어부

Claims (14)

  1. 딥러닝을 수행하기 위한 프로그램이 저장되는 메모리; 및
    상기 프로그램을 실행함으로써 복수의 이미지들에 대한 딥러닝을 수행하는 제어부를 포함하며,
    상기 제어부는,
    복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시키되 상기 복수의 학습이미지의 특징(feature) 분포를 저장하며, 학습된 딥러닝 모델에 기초하여 클래스 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 산출하는, 클래스 분류 장치.
  2. 제1항에 있어서,
    상기 제어부는,
    상기 복수의 학습이미지별 특징을 가우시안 분포 상에서의 평균 및 공분산으로 저장하는, 클래스 분류 장치.
  3. 제1항에 있어서,
    상기 제어부는,
    상기 특징 분포에서 상기 대상이미지 특징의 거리를 산출함으로써 평가점수를 산출하는, 클래스 분류 장치.
  4. 제1항에 있어서,
    상기 제어부는,
    상기 스코어 및 상기 평가점수에 기초하여 상기 대상이미지의 클래스를 제공하는, 클래스 분류 장치.
  5. 제1항에 있어서,
    상기 제어부는,
    상기 평가점수가 임계치를 초과하면 상기 대상이미지를 이용하여 상기 딥러닝 모델을 다시 학습시키는, 클래스 분류 장치.
  6. 제5항에 있어서,
    상기 제어부는,
    상기 특징 분포에서 상기 복수의 학습이미지별 특징의 거리를 산출함으로써 상기 임계치를 결정하는, 클래스 분류 장치.
  7. 제1항에 있어서,
    상기 제어부는,
    상기 평가점수가 임계치를 초과하면 알람을 제공하는, 클래스 분류 장치.
  8. 클래스 분류 장치가 딥러닝 기반 클래스를 분류하는 방법으로서,
    복수의 학습이미지를 입력으로 하여 클래스 별로 분류하도록 딥러닝 모델을 학습시키되, 상기 복수의 학습이미지의 특징(feature) 분포를 저장하는 단계; 및
    학습된 딥러닝 모델에 기초하여 클래스 분류의 대상이 되는 대상이미지에 대한 스코어를 산출하되, 상기 특징 분포에 기초하여 상기 스코어에 대한 평가점수를 산출하는 단계를 포함하는, 클래스 분류 방법.
  9. 제8항에 있어서,
    상기 특징 분포를 저장하는 단계는,
    상기 복수의 학습이미지별 특징을 가우시안 분포 상에서의 평균 및 공분산으로 저장하는 단계를 더 포함하는, 클래스 분류 방법.
  10. 제8항에 있어서,
    상기 평가점수를 산출하는 단계는,
    상기 특징 분포에서 상기 대상이미지 특징의 거리를 산출하는 단계를 더 포함하는, 클래스 분류 방법.
  11. 제8항에 있어서,
    상기 스코어 및 상기 평가점수에 기초하여 상기 대상이미지의 클래스를 제공하는 단계를 더 포함하는, 클래스 분류 방법.
  12. 제8항에 있어서,
    상기 평가점수가 임계치를 초과하면 상기 대상이미지를 이용하여 상기 딥러닝 모델을 다시 학습시키는 단계를 더 포함하는, 클래스 분류 방법.
  13. 제8항에 기재된 방법을 수행하는 프로그램이 기록된 컴퓨터 판독 가능한 기록 매체.
  14. 클래스 분류 장치에 의해 수행되며, 제8항에 기재된 클래스 분류 방법을 수행하기 위해 매체에 저장된 컴퓨터 프로그램.
KR1020200097934A 2020-08-05 2020-08-05 딥러닝 기반 클래스 분류 장치 및 방법 KR102427690B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200097934A KR102427690B1 (ko) 2020-08-05 2020-08-05 딥러닝 기반 클래스 분류 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200097934A KR102427690B1 (ko) 2020-08-05 2020-08-05 딥러닝 기반 클래스 분류 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20220017673A KR20220017673A (ko) 2022-02-14
KR102427690B1 true KR102427690B1 (ko) 2022-08-01

Family

ID=80253897

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200097934A KR102427690B1 (ko) 2020-08-05 2020-08-05 딥러닝 기반 클래스 분류 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102427690B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102601196B1 (ko) * 2022-06-10 2023-11-13 (주)딜리셔스랑고 사용자 맞춤형 가상공간 생성 서비스 제공 장치, 시스템, 방법 및 프로그램
US20240169261A1 (en) * 2022-11-10 2024-05-23 Lg Electronics Inc. Method and device for domain generalized incremental learning under covariate shift

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102078133B1 (ko) * 2018-06-25 2020-02-17 주식회사 수아랩 데이터의 어노말리 감지 방법
KR102280201B1 (ko) * 2018-11-23 2021-07-21 주식회사 스칼라웍스 머신 러닝을 이용하여 은닉 이미지를 추론하는 방법 및 장치

Also Published As

Publication number Publication date
KR20220017673A (ko) 2022-02-14

Similar Documents

Publication Publication Date Title
CN112990432B (zh) 目标识别模型训练方法、装置及电子设备
US11062123B2 (en) Method, terminal, and storage medium for tracking facial critical area
US11055571B2 (en) Information processing device, recording medium recording information processing program, and information processing method
WO2021026805A1 (zh) 对抗样本检测方法、装置、计算设备及计算机存储介质
TWI470563B (zh) 偵測影像中臉部屬性之方法、執行影像分析處理之處理系統及電腦可讀取儲存媒體
TW202004637A (zh) 一種風險預測方法、存儲介質和伺服器
US20160275341A1 (en) Facial Expression Capture for Character Animation
US10706327B2 (en) Information processing apparatus, information processing method, and storage medium
US20150262068A1 (en) Event detection apparatus and event detection method
US8948522B2 (en) Adaptive threshold for object detection
KR102427690B1 (ko) 딥러닝 기반 클래스 분류 장치 및 방법
US20140126830A1 (en) Information processing device, information processing method, and program
US20200272897A1 (en) Learning device, learning method, and recording medium
US20220237403A1 (en) Neural network based scene text recognition
US11170512B2 (en) Image processing apparatus and method, and image processing system
US11164327B2 (en) Estimation of human orientation in images using depth information from a depth camera
TWI776176B (zh) 手部作業動作評分裝置、方法及電腦可讀取存儲介質
US9269017B2 (en) Cascaded object detection
US10755074B2 (en) Latent fingerprint pattern estimation
US20160019440A1 (en) Feature Interpolation
Gkountakos et al. Spatio-temporal activity detection and recognition in untrimmed surveillance videos
CN112784494B (zh) 假阳性识别模型的训练方法、目标识别方法及装置
US20180336435A1 (en) Apparatus and method for classifying supervisory data for machine learning
CN113780145A (zh) 精子形态检测方法、装置、计算机设备和存储介质
CN112597997A (zh) 感兴趣区域确定方法、图像内容识别方法及装置

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant